SVM在多源遥感图像分类中的应用研究

在利用遥感图像进行土地利用/覆盖分类过程中,可采用以下两种途径来提高分类精度:一是通过增加有利于分类的数据源,引入地理辅助数据和归一化植被指数(NDVI)来进行多源信息融合;二是选择更好的分类方法,例如支持向量机(SVM)学习方法,由于该方法克服了最大似然法和神经网络的弱点,非常适合高维、复杂的小样本多源数据的分类。为了提高多源遥感图像分类的精度,还研究了支持向量机在遥感图像分类中模型的选择,包括多类模型和核函数的选择。分类结果表明,支持向量机比传统的分类方法具有更高的精度,尤其是基于径向基核函数和一对一多类方法的支持向量机模型更适合多源遥感图像分类,因此,基于支持向量机的多源土地利用/覆盖分类能大大提高分类精度。     

样本特征对参数/非参数分类器分类精度的影响分析

为验证理论训练数量(10~30 p)对参数分类器(如最大似然分类)、非参数分类器(如支撑向量机)的适用性以及样本特征(光谱统计、空间分布特征)对分类器分类精度的影响,选择不同规模的训练样本进行最大似然分类和支撑向量机分类,分析分类精度与样本之间的关系。实验结果表明:随着样本量的增加,最大似然、支撑向量机分类精度均随样本量增多而提高并趋于稳定,最大似然分类精度的增长速度要快于支撑向量机。MLC受样本量的影响较大,在小样本的时候(5个),分类精度不稳定,超过30个样本的时候,分类精度稳定下来;对于SVM分类器,在小样本的时候(5个),分类精度较高且稳定,因此SVM分类适合于小样本分类,不受限于理论样本量的影响。当样本量超过最小理论样本量值(30个)的时候,最大似然分类精度要优于支撑向量机,主要是由于当样本量增加后,最大似然更易于获得有效的信息量样本,而对于支撑向量机边缘信息样本的增加数量不大。研究结果为进一步优化样本进行分类打下前期的实验基础。     

基于ETAFSVM的高光谱遥感图像自动波段选择和分类

提出了一种新型的具有良好特性的支持向量机--全间隔自适应模糊支持向量机(TAFSVM),并提出一种新的遗传算法--智能遗传算法(IGA)来设计一个TAFSVM分类器,称为ETAFSVM,同时优化高光谱遥感图像自动波段选择和TAFSVM参数集,并且结合5-fold交叉验证来确定其泛化能力,最后将ETAFSVM应用于高光谱遥感图像数据.通过先进行自适应波段选择后再用径向基神经网络分类器、K-最近邻分类器和标准支持向量机等3种方法进行全部分类精度比较,以及与这3种方法直接进行类别分类精度和平均分类精度比较,其结果表明运用ETAFSVM不仅可以自动进行波段选择,而且分类精度较高,对Hughes现象敏感性较低,是进行高光谱遥感图像分类的一种有效方法.     

基于自组织神经网络的遥感图像分类应用研究

在地形复杂地区,采用传统的遥感分类方法进行土地利用遥感分类很难获得理想的精度。针对遥感图像分类的特点,根据自组织竞争神经网络的生物学基础、基本结构和学习算法,利用Matlab平台构建自组织神经网络,对地形复杂区的ETM 遥感图像通过500次训练使网络收敛后,仿真输出分类图。结果表明,基于自组织神经网络的分类器经过训练后,可用于遥感图像的分类,其分类精度明显高于传统的最大似然法。     

基于多分类器集成的“北京一号”小卫星遥感影像分类研究

将多分类器集合应用于"北京一号"小卫星多光谱遥感数据土地覆盖分类,首先构建分类器集合,应用最小距离分类、最大似然分类、支持向量机(SVM)、BP神经网络、RBF神经网络和决策树等进行土地覆盖分类,然后利用Bagging、Boosting、投票法、证据理论和模糊积分法等分类器集成方法,得到综合不同分类器输出的最终分类结果。试验表明,多分类器集成能够有效提高"北京一号"小卫星土地覆盖分类的精度,具有广泛的应用前景。     

基于实值遗传算法与TAFSVM的遥感图像分类

支持向量机已经被成功应用于遥感图像分类。一种新型具有良好特性的支持向量机--全间隔自适应模糊支持向量机被提出。这种新型的支持向量机具有通过训练集的模糊性来增强泛化能力;对不平衡训练集具有自适应性,对正负数据采用不同的损失算法,可以提高正确分类率;通过引进全间隔算法来代替软间隔算法,可以得到更低的泛化误差等优良特性,符合遥感图像数据的内在规律。并且运用实值遗传算法对其进行参数优选,得到一种新的分类器——AGATAFSVM。最后将该分类器应用于遥感图像分类。实验结果表明,该分类器非常适用于遥感图像分类,分类精度和稳定性明显高于径向基神经网络分类器、 最近邻分类器和标准支持向量机。     

基于WorldView-2影像的土地利用信息提取方法对比及评价

基于2011年WorldView-2高分辨率遥感影像, 采取面向对象的分类方法和四种传统的基于像元的分类方法分别提取平潭县海坛岛中北部研究样区土地利用信息, 并以目视解译结果图为参考, 得到每种分类方法的总体分类精度, 且从数量分歧和分配分歧两方面对土地利用信息提取结果进行整体评价和单类别评价, 结果表明: (1)不同分类方法平均总体分类精度为75.00%, 其中最高的是面向对象法, 总体精度为84.25%, 分类总体精度最低的为最大似然法, 仅为62.00%. (2)面向对象分类方法具有最低的数量分歧, 为4.25%, 其次依次为神经网络法<支持向量机法<马氏距离法<最大似然法. 在分配分歧方面, 支持向量机方法其值最低, 为5.75%, 其次依次为最大似然法<神经网络法<马氏距离法<面向对象法. (3)在单类别精度评价中, 耕地的精度对影像整体分类结果影响最为显著, 其数量分歧比例大小依次为最大似然法(28.75%)>马氏距离法(21.50%)>支持向量机法(14.75%)>神经网络法(11.00%)>面向对象法(3.00%), 分配分歧比例大小依次为面向对象法(10.50%)>神经网络法(5.00%)>支持向量机法(1.50%)>最大似然法(0.50%)>马氏距离法(0.00%).     

基于支持向量机的遥感图像舰船目标识别方法

针对高分辨率遥感图像舰船目标识别问题,提出了一种基于支持向量机的舰船目标分类方法。支持向量机(SVM)是一类新型机器学习方法,基于结构风险最小化归纳原则,具有出色的学习能力。与传统的方法相比,支持向量机不但结构简单,而且技术性能特别是泛化能力明显提高。该文简要介绍了有关统计学习理论和支持向量机算法,将支持向量机应用于遥感图像舰船目标识别,并同传统的舰船识别方法进行了相关的对比实验,实验结果说明本文提出的分类器在识别性能上明显优于其它传统分类器,具有更高的识别性能率。     

基于多分类器的C5.0决策树植被分类方法

针对光谱角制图(SAM)和最大似然(MLC)分类器对AVIRIS高光谱遥感图像进行植被分类精度均不高的问题,提出了一种基于多分类器的C5.0决策树植被分类方法。首先,利用支持向量机(SVM),进行核函数以及核函数参数选择,提取出AVIRIS高光谱图像中的植被信息。其次,利用C5.0算法将光谱角制图和最大似然分类器组合,作为决策树的特征属性,学习样本训练并生成分类规则;根据C5.0算法计算植被样本中对应分类器的信息增益率,选择信息增益率最大的属性去分类样本;当叶样本的分类结果满足停止生长的阈值,输出样本分类的结果,否则,回到开始,递归调用以上方法继续分类叶样本,直到所有子集仅包含一个植被类别的样本完成决策。实验结果表明,与光谱角制图和最大似然分类器相比,本文提出的方法整体精度分别提高了6.04%、2.92%,不仅证实了多分类器组合的可行性和有效性,而且更加适用于AVIRIS高光谱图像中的植被调查。     

基于改进型模糊ARTMAP网络的CBR遥感图像分类系统研究

针对难以及时地获取充足而准确的遥感样本、缺乏积累和管理遥感样本的有效手段是制约遥感图像分类技术发展的瓶颈问题。构建了基于改进型模糊ARTMAP网络的CBR(case-based reasoning范例推理)遥感图像分类系统。系统将改进型模糊ARTMAP网络作为范例的知识提取器和图像分类器,运用CBR求解策略实现遥感样本知识的合理储备、优化组合和重复利用。分别应用本文所建系统、最大似然法、BP网络和改进型模糊ARTMAP网络对向海自然保护区TM遥感图像进行分类操作,实验结果表明,本文建立的系统与其他分类方法相比,能够更好地提高遥感样本数据的利用效率和遥感图像的分类精度,而且一定程度上解决了在样本有限的条件下如何高效利用已有数据进行遥感图像分类的问题。     

基于MNF和SVM的高光谱遥感影像分类研究

通过分析高光谱遥感影像分类的现状及遇到的困难,以OMIS1高光谱数据为实验数据,提出了基于最小噪声分离(Minimum Noise Fraction-MNF)变换和支持向量机(Support Vector Machine-SVM)的高光谱遥感影像分类方法。分类实验结果表明:与传统的最大似然分类法(Maxi mum Likelihood Classification-MLC)比较,该方法克服了Hughes现象,分类速度得以提高,总体分类精度达到94.85%,从而表明了该方法用于高光谱遥感影像分类的实用性和优越性。     

Multispectral landuse classification using neural networks and support vector machines: one or the other,or both?

Land use classification is an important part of many remote sensing applications. A lot of research has gone into the application of statistical and neural network classifiers to remote‐sensing images. This research involves the study and implementation of a new pattern recognition technique introduced within the framework of statistical learning theory called Support Vector Machines (SVMs), and its application to remote‐sensing image classification. Standard classifiers such as Artificial Neural Network (ANN) need a number of training samples that exponentially increase with the dimension of the input feature space. With a limited number of training samples, the classification rate thus decreases as the dimensionality increases. SVMs are independent of the dimensionality of feature space as the main idea behind this classification technique is to separate the classes with a surface that maximizes the margin between them, using boundary pixels to create the decision surface. Results from SVMs are compared with traditional Maximum Likelihood Classification (MLC) and an ANN classifier. The findings suggest that the ANN and SVM classifiers perform better than the traditional MLC. The SVM and the ANN show comparable results. However, accuracy is dependent on factors such as the number of hidden nodes (in the case of ANN) and kernel parameters (in the case of SVM). The training time taken by the SVM is several magnitudes less.     

基于K型支持向量机的遥感图像分类新算法

为了提高遥感图像的分类精度和识别速度,提出了一种基于K型支持向量机（SVM）的遥感图像分类新算法,该算法将灰度共生矩阵提取的纹理特征与光谱特征相结合进行分类。对两组Landsat ETM+数据进行分类仿真实验,结果表明,在多光谱遥感图像的分类中,新算法提高了分类效率、分类精度和泛化能力,K型SVM是一种优于径向基函数SVM的分类器。     

基于Sentinel-2数据的天山山地针叶林识别方法研究

阴影是影响山地针叶林遥感识别精度的关键因素。选取天山一块面积约为10 000 km²的区域为案例,基于太阳高度角和方位角差异较大的两期Sentinel-2影像,从遥感数据阴影分布的时相特性、分类特征以及分类器选择三方面进行综合分析,提出了一种适用于天山山地针叶林的遥感综合分类方案。该综合分类方案首先开展阴影识别以及阴影再分类以排除阴影对针叶林识别的影响;然后筛选出了海拔、归一化差值植被指数（NDVI）、红光到近红外波段斜率、蓝光波段、红光波段、短波红外波段和坡度作为区分天山山地针叶林的重要特征;最后比较支持向量机（Support Vector Machine,SVM）、随机森林（Random Forest,RF）和BP神经网络（Back Propagation Neural Network,BPNN）3种分类器的分类效果。结果表明：采用地形校正方法来消除山体阴影的效果不但不明显,反而还会造成过矫正现象,从而影响后续的针叶林识别,但利用太阳高度角和方位角差异较大的两期影像开展阴影识别以及阴影再分类来排除阴影对针叶林识别的影响,可使针叶林的总体精度提高1.3%~3.7%;SVM、RF和BPNN 3种分类器都能取得较好的山地针叶林识别精度,但SVM分类器的分类精度最高,其总体分类精度和Kappa系数分别是93.33%和0.87。该遥感综合分类方案经参数调整之后有望应用于北方干旱半干旱区的其他山地针叶林区域。     

A comparison of classification algorithms using Landsat-7 and Landsat-8 data for mapping lithology in Canada’s Arctic

To map Arctic lithology in central Victoria Island, Canada, the relative performance of advanced classifiers (Neural Network (NN), Support Vector Machine (SVM), and Random Forest (RF)) were compared to Maximum Likelihood Classifier (MLC) results using Landsat-7 and Landsat-8 imagery. A ten-repetition cross-validation classification approach was applied. Classification performance was evaluated visually and statistically using the global classification accuracy, producer’s and user’s accuracies for each individual lithological/spectral class, and cross-comparison agreement. The advanced classifiers outperformed MLC, especially when training data were not normally distributed. The Landsat-8 classification results were comparable to Landsat-7 using the advanced classifiers but differences were more pronounced when using MLC. Rescaling the Landsat-8 data from 16 bit to 8 bit substantially increased classification accuracy when MLC was applied but had little impact on results from the advanced classifiers.     

Stacked Autoencoder-based deep learning for remote-sensing image classification: a case study of African land-cover mapping

Land-cover mapping is an important research topic with broad applicability in the remote-sensing domain. Machine learning algorithms such as Maximum Likelihood Classifier (MLC), Support Vector Machine (SVM), Artificial Neural Network (ANN), and Random Forest (RF) have been playing an important role in this field for many years, although deep neural networks are experiencing a resurgence of interest. In this article, we demonstrate early efforts to apply deep learning-based classification methods to large-scale land-cover mapping. Based on the Stacked Autoencoder (SAE), one of the deep learning models, we built a classification framework for large-scale remote-sensing image processing. We adjusted and optimized the model parameters based on our test samples. We compared the performance of the SAE-based approach with traditional classification algorithms including RF, SVM, and ANN with multiple performance analytics. Results show that the SAE classifier trained with an entire set of African training samples achieves an overall classification accuracy of 78.99% when assessed by test samples collected independently of training samples, which is higher than the accuracies achieved by the other three classifiers (76.03%, 77.74%, and 77.86% of RF, SVM, and ANN, respectively) based on the same set of test samples. We also demonstrated the advantages of SAE in prediction time and land-cover mapping results in this study.     

云南香格里拉地区森林优势树种决策融合分类

基于Google Earth Engine（GEE）云计算平台,协同Sentinel-2影像、WordClim生物气候数据、SRTM地形数据、森林资源二类调查数据等数据,以随机森林（Random Forest, RF）,支持向量机（Support Vector Machine, SVM）和最大熵（Maximum Entropy, MaxEnt）3种机器学习算法为组件分类器,开展多源特征、多分类器决策融合的优势树种分类研究。通过3种组件分类器分别构建了两种串行集成和3种贝叶斯并行集成模型,用于确定云南香格里拉地区10种主要优势树种的空间分布。分类结果显示：3个组件分类器的总体精度均低于67.17%;3种并行集成方法总体精度相当,约为72%;两种串行集成方法精度高于78.48%,其中MaxEnt-SVM串行集成方法获得最佳精度（OA：80.66%, Kappa：0.78）,与组件分类器相比精度至少提高了13.49%。研究表明：决策融合方法在优势树种分类中比组件分类器精度更高,并且有效改善了小样本树种的分类精度,可用于大范围山区优势树种分类。     

Efficient wavelet adaptation for hybrid wavelet-large margin classifiers

Hybrid wavelet-large margin classifiers have recently proven to solve difficult signal classification problems in cases where solely using a large margin classifier like, e.g., the Support Vector Machine may fail. In this paper, we evaluate several criteria rating feature sets obtained from various orthogonal filter banks for the classification by a Support Vector Machine. Appropriate criteria may then be used for adapting the wavelet filter with respect to the subsequent support vector classification. Our results show that criteria which are computationally more efficient than the radius-margin Support Vector Machine error bound are sufficient for our filter adaptation and, hence, feature selection. Further, we propose an adaptive search algorithm that, once the criterion is fixed, efficiently finds the optimal wavelet filter. As an interesting byproduct we prove a theorem which allows the computation of the radius of a set of vectors by a standard Support Vector Machine.